IMPLEMENTASI METODE ST-DBSCAN UNTUK PENGELOMPOKAN POLA PERSEBARAN TITIK API PADA DATA KEBAKARAN HUTAN DI INDONESIA

Gita Ramadhani Wardatus Syurifah

Abstract


Kebakaran hutan merupakan masalah yang serius yang hampir selalu terjadi di Indonesia setiap musim kemarau. Pada tahun 2019 dan 2023 kebakaran hutan telah banyak terjadi terutama di tanah gambus akibat fenomena El-nino yang berkepanjangan. Hal ini berdampak negatif terhadap ekonomi, sosial, dan lingkungan. Oleh karena itu, clustering adalah salah satu upaya yang penting untuk mengetahui lokasi wilayah terjadinya kebakaran hutan. Clustering adalah suatu teknik yang digunakan dalam data mining yang bekerja dengan cara mencari dan mengelompokkan data yang memiliki karakteristik yang sama antara suatu data dan data lain yang diperoleh. Penelitian ini bertujuan untuk mengetahui hasil pengelompokan pola persebaran titik api pada kebakaran hutan di Indonesia menggunakan metode ST-DBSCAN. Metode ST-DBSCAN merupakan salah satu metode clustering yang digunakan untuk mengelompokkan data menggunakan parameter spasial dan temporal. Hasil dari penelitian ini menghasilkan lima cluster, noise sebesar 31, dan silhouette coefficient sebesar 0,401 dengan parameter yang optimal yaitu Eps1 = 0,3, Eps2 = 7, dan MinPts = 14.


Keywords


clustering; ST-DBSCAN; Titik Api; Kebakaran Hutan; Data Mining

Full Text:

Remote XML

References


[1]

Han, J., Kamber, M., Pei, J.: Data Mining Concept and Techniques, 3rd ed. Morgan Kaufmann-Elsevier, Amsterdam (2012).

[2]

Birant, D., & Kut, A. (2007). ST-DBSCAN: An algorithm for clustering spatial–temporal data. Data & knowledge engineering, 60(1), 208-221.

[3]

Trisnaningtyas, A. 2014. “Pengelompokan Data Indeks Pembangunan Manusia Di Pulau Jawa Dengan Algoritme ST-DBSCAN dan Bahasa Pemrograman Python”

[4]

Manalu, D. J., Rahmawati, R., & Widiharih, T. (2021). Pengelompokan Titik Gempa di Pulau Sulawesi Menggunakan Algoritma ST-DBSCAN (Spatio Temporal-Density Based Spatial Clustering Application with Noise). Jurnal Gaussian, 10(4), 554-561

[5]

Notohadinegoro,T. 2006. Pembakaran dan Kebakaran Lahan. Prosiding Simposium dampak kebakaran hutan terhadap SDA dan lingkungan, Yogyakarta. 16-17 Desember 1997. Pusat studi energi, Pusat studi bencana alam, pusat studi sumberdaya lahan dan pusat penelitian lingkungan hidup UGM, Ilmu tanah UGM.

[6]

Hatta, M. 2008. Dampak Kebakaran Hutan Terhadap Sifat-sifat Tanah di Kecamatan Besitang Kabupaten Langkat. Sumatera Utara: Universitas Sumatera Utara.

[7]

Fitriana, D., Fahmi, H. (2019). The identification of determinant parameter in forest fire based on future selection algorithms. Sinergi, 23(3), 184-190.

[8]

Purwanto, B.U.B.Y., 2012. Spatial Hotspot Clustering of Forest and Land Fire using DBSCAN and ST-DBSCAN. Scientific Repository (IPB).

[9]

Birant, D., & Kut, A. (2007). ST-DBSCAN: An algorithm for clustering spatial–temporal data. Data & knowledge engineering, 60(1), 208-221.

[10]

Tan, P. N., Steinbach, M., & Kumar, V. (2013). Data mining cluster analysis: basic concepts and algorithms. Introduction to data mining, 487, 533).

[11]

R. Trisminingsih and S. S. Shaztika, "ST-DBSCAN clustering module in SpagoBI for hotspots distribution in Indonesia," 2016 3rd International Conference on Information Technology, Computer, and Electrical Engineering (ICITACEE), Semarang, Indonesia, 2016, pp. 327-330, doi: 10.1109/ICITACEE.2016.7892465.




DOI: https://doi.org/10.18860/jrmm.v3i5.27314

Refbacks

  • There are currently no refbacks.